Institutsseminar/2022-01-14: Unterschied zwischen den Versionen
Keine Bearbeitungszusammenfassung |
Keine Bearbeitungszusammenfassung |
||
| Zeile 2: | Zeile 2: | ||
|datum=2022-01-14T12:00:00.000Z | |datum=2022-01-14T12:00:00.000Z | ||
|raum=Raum 348 (Gebäude 50.34) | |raum=Raum 348 (Gebäude 50.34) | ||
}} | }} | ||
Version vom 14. Januar 2022, 13:11 Uhr
| Datum | Freitag, 14. Januar 2022 | |
|---|---|---|
| Uhrzeit | 12:00 – 13:15 Uhr (Dauer: 75 min) | |
| Ort | Raum 348 (Gebäude 50.34) | |
| Webkonferenz | ||
| Vorheriger Termin | Fr 17. Dezember 2021 | |
| Nächster Termin | Fr 21. Januar 2022 |
Termin in Kalender importieren: iCal (Download)
Vorträge
| Vortragende(r) | Philipp Schumacher |
|---|---|
| Titel | Ein Datensatz handgezeichneter UML-Klassendiagramme für maschinelle Lernverfahren |
| Vortragstyp | Bachelorarbeit |
| Betreuer(in) | Dominik Fuchß |
| Vortragssprache | |
| Vortragsmodus | online |
| Kurzfassung | Klassendiagramme ermöglichen die grafische Modellierung eines Softwaresystems.
Insbesondere zu Beginn von Softwareprojekten entstehen diese als handgezeichnete Skizzen auf nicht-digitalen Eingabegeräten wie Papier oder Whiteboards. Das Festhalten von Skizzen dieser Art ist folglich auf eine fotografische Lösung beschränkt. Eine digitale Weiterverarbeitung einer auf einem Bild gesicherten Klassendiagrammskizze ist ohne manuelle Rekonstruktion in ein maschinell verarbeitbares Diagramm nicht möglich. Maschinelle Lernverfahren können durch eine Skizzenerkennung eine automatisierte Transformation in ein digitales Modell gewährleisten. Voraussetzung für diese Verfahren sind annotierte Trainingsdaten. Für UML-Klassendiagramme sind solche bislang nicht veröffentlicht. Diese Arbeit beschäftigt sich mit der Erstellung eines Datensatzes annotierter UML-Klassendiagrammskizzen für maschinelle Lernverfahren. Hierfür wird eine Datenerhebung, ein Werkzeug für das Annotieren von UML-Klassendiagrammen und eine Konvertierung der Daten in ein Eingabeformat für das maschinelle Lernen präsentiert. Der annotierte Datensatz wird im Anschluss anhand seiner Vielfältigkeit, Detailtiefe und Größe bewertet. Zur weiteren Evaluation wird der Einsatz des Datensatzes an einem maschinellen Lernverfahren validiert. Das Lernverfahren ist nach dem Training der Daten in der Lage, Knoten mit einem F1-Maß von über 99%, Textpositionen mit einem F1-Maß von über 87% und Kanten mit einem F1-Maß von über 71% zu erkennen. Die Evaluation zeigt folglich, dass sich der Datensatz für den Einsatz maschineller Lernverfahren eignet. |
| Vortragende(r) | Dennis Bäuml |
|---|---|
| Titel | Entwicklung zuverlässiger KI-basierter Software-Systeme in Anwesenheit von Unsicherheit |
| Vortragstyp | Masterarbeit |
| Betreuer(in) | Max Scheerer |
| Vortragssprache | |
| Vortragsmodus | online |
| Kurzfassung | Die rapide Zunahme der Rechenleistung heutiger Computer hat die Nutzung von KI in alltäglichen Anwendungen wesentlich erleichtert. Aufgrund der statistischen Natur von KI besteht deshalb eine gewisse Unsicherheit. Diese Unsicherheit kann direkten Einfluss auf die Zuverlässigkeit eines Software-Systems haben. Im Rahmen der Arbeit „Entwicklung zuverlässiger KI-basierter Software-Systeme in Anwesenheit von Unsicherheit“ wird ein Vorgehen präsentiert, das solche Problematiken auf Architekturebene analysieren kann. Das Vorgehen nutzt dafür modellbasierte Qualitätsanalysen, welche im Kontext von Palladio realisiert wurde. Zusätzlich wird ein Vorgehen zur Sensitivitätsanalyse vorgestellt, um ein KI-Netz anhand von veränderten Unsicherheiten abzutasten. Mithilfe dieser Werkzeuge kann eine Zuverlässigkeitsvorhersage auf dem Modell des Software-Systems getätigt werden. Dabei konnte für zwei Unterschiedliche KI-Netze gezeigt werden, dass deren Sensitivitätsmodelle direkten Einfluss auf die Zuverlässigkeit des gesamten Software-Systems haben. Durch den Einsatz von Architekturvorlagen konnte auch gezeigt werden, dass die ebenfalls Einfluss auf die Zuverlässigkeit des gesamten Software-Systems haben. |
- Neuen Vortrag erstellen